Un modèle ECG par deep learning pour l’identification et la localisation de l’infarctus du myocarde par occlusion

Pourquoi c’est important pour les infarctus

Lorsqu’une personne fait un infarctus, chaque minute sans traitement peut entraîner la mort de tissu cardiaque. Les médecins s’appuient généralement sur un tracé rapide du cœur appelé ECG et sur des analyses sanguines pour décider qui doit être transféré en urgence en salle de cathétérisme. Mais ces outils manquent souvent des occlusions dangereuses ou signalent des patients qui n’ont pas réellement besoin d’une procédure d’urgence. Cette étude montre comment l’intelligence artificielle peut lire les ECG pour repérer et même localiser les occlusions graves avec plus de précision, ce qui pourrait aider à diriger plus vite les bons patients vers un traitement salvateur.

À la recherche de conduits bouchés dans le cœur

Tous les infarctus ne se ressemblent pas. Certains sont causés par une artère coronaire totalement ou presque totalement obstruée, une situation que les auteurs appellent infarctus du myocarde par occlusion. Ce sont ces patients qui ont le plus urgemment besoin d’une intervention pour rouvrir l’artère. Le problème est que le manuel standard se focalise sur un motif appelé sus-décalage du segment ST à l’ECG, qui n’apparaît que dans une fraction de ces cas dangereux et peut être provoqué par d’autres conditions. En conséquence, certains patients sont manqués tandis que d’autres subissent des procédures invasives inutiles. Les chercheurs se sont donc donné pour objectif de construire un modèle informatique capable d’examiner le signal ECG brut et de reconnaître à la fois la présence d’une occlusion aiguë et laquelle des artères coronaires principales est impliquée.

Entraîner un modèle sur des centaines de milliers d’ECG

L’équipe a utilisé des données de la Swedish Emergency Department Database, qui relie les consultations aux urgences, les enregistrements ECG et les résultats détaillés des procédures de cathétérisme cardiaque. Ils ont rassemblé plus de 540 000 ECG provenant d’environ 226 000 adultes ayant consulté dans la région de Stockholm entre 2005 et 2016. Pour chaque cas d’infarctus, les médecins ayant réalisé l’angiographie avaient déjà déterminé s’il y avait une occlusion complète récente et quel vaisseau principal en était responsable. En utilisant ces constats de procédure objectives comme vérité terrain, les chercheurs ont entraîné un modèle de deep learning, un type de réseau neuronal capable de reconnaître des motifs complexes dans les signaux, pour classer les ECG en plusieurs catégories, incluant infarctus par occlusion versus non occlusion et l’artère fautive spécifique.

Quelle est l’efficacité du modèle pour détecter le danger

Sur des données suédoises de test mises de côté, le modèle a montré une très forte capacité à distinguer les occlusions aiguës des autres patients. Sa mesure de performance, le C statistic, a atteint au moins 0,95 pour la détection des infarctus par occlusion et au moins 0,87 pour les infarctus sans occlusion. À un faible taux de fausses alertes de 5 %, le modèle identifiait correctement environ 87 % des cas d’occlusion. Il s’est aussi bien comporté pour indiquer laquelle des trois artères coronaires principales était obstruée, bien que la distinction de deux localisations artérielles particulières, difficile même pour des experts humains, reste problématique. Selon les âges, les sexes, les types de machines ECG et les années calendaires, la performance est restée globalement similaire, avec une précision légèrement meilleure chez les patients plus jeunes et ceux sans certains troubles de conduction cardiaque de longue date.

Tester le modèle dans d’autres pays

Pour vérifier si l’outil fonctionnerait en dehors de la Suède, les auteurs l’ont testé sur trois autres collections d’ECG d’Europe et du Brésil. Dans une cohorte d’urgence brésilienne avec des étiquettes issues de l’angiographie, le modèle a toujours bien séparé les infarctus par occlusion des témoins, en particulier pour les cas présentant un sus-décalage ST classique. Dans deux grandes bases de données où seules des étiquettes plus larges comme infarctus avec sus-décalage ST et un bloc de conduction courant étaient disponibles, le modèle a également bien performé. En fait, pour prédire les infarctus avec sus-décalage ST dans l’une de ces bases, le modèle suédois a dépassé un autre modèle entraîné directement sur ces étiquettes locales assignées par des humains, ce qui suggère que l’entraînement sur des résultats objectifs de cathétérisme peut donner au système une compréhension plus profonde de la maladie sous-jacente.

Ce que cela pourrait signifier pour les patients

Ce travail montre qu’un modèle informatique peut utiliser des ECG ordinaires, plus des informations basiques comme l’âge et le sexe, pour repérer rapidement quels patients ont probablement une artère coronaire récemment bouchée et où se situe l’occlusion. Parce que la méthode ne dépend pas d’analyses sanguines ni d’un accord des médecins sur des motifs ECG subtils, elle pourrait raccourcir le délai entre le premier contact médical et la réouverture de l’artère et réduire les procédures d’urgence inutiles. Les auteurs soulignent que leur outil doit encore être testé dans des essais cliniques évaluant les résultats des patients avant d’être utilisé en routine, mais il ouvre la voie à un futur où une analyse ECG intelligente aide à acheminer les bonnes personnes vers le laboratoire de cathétérisme au bon moment.

Citation: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Mots-clés: électrocardiogramme, deep learning, infarctus du myocarde, occlusion coronaire, IA médicale